Westra on AI

Verdringt AI jonge werknemers? De Nederlandse cijfers zijn interessant én dubbelzinnig

Mon, 06 Jul 2026 09:00:00 +0200

Sinds ChatGPT eind 2022 verscheen, woedt er een debat over wat AI met onze banen doet. Aan de ene kant van het debat zijn er mensen als Anthropic-topman Dario Amodei, die voorspelde dat AI binnen vijf jaar de helft van alle witteboorden-instapbanen zou kunnen wegvagen. Aan de andere kant de sceptici, die wijzen op een werkloosheidscijfer dat gewoon laag blijft.

Vorig jaar kwam er data in dit debat. De Stanford-econoom Erik Brynjolfsson liet zien dat in de VS jonge starters in AI-gevoelige beroepen de eerste klappen opvangen: hun werkgelegenheid daalt, terwijl die van oudere collega’s doorgroeit. Hij noemde ze de kanaries in de kolenmijn. Begin dit jaar vonden Rabobank-economen Jesse Groenewegen, Niek van Limbergen en Nic Vrieselaar een vergelijkbaar patroon voor Nederland — en kregen prompt stevige methodologische kritiek van de arbeidseconomen Salomons en Van den Berge. Kennelijk is het niet zo eenvoudig.

Wie heeft er gelijk? Dat wilde ik zelf kunnen nagaan. Dus heb ik de analyse opnieuw opgebouwd, van de grond af, met uitsluitend openbare data. Geen afgeschermde microdata, iedereen kan elke stap controleren. Daarbij wijk ik op een paar punten af van de Rabobank analyse, vooral om te corrigeren voor demografische effecten en de effecten van de COVID periode. De volledige details staan in het bijbehorende uitgebreide artikel.

De analyse

In het kort: de International Labour Organisation (ILO) heeft per beroep een score uitgerekend voor hoe goed generatieve AI de taken van dat beroep kan overnemen. Dat noemen ze ‘AI-vatbare’ beroepen. De beroepen met de hoogste scores vallen in twaalf Nederlandse beroepsgroepen — denk aan boekhouders, secretaresses, softwareontwikkelaars en marketeers. Vervolgens volg ik per leeftijdsgroep, in de openbare CBS-cijfers, welk aandeel van de werkenden zo’n AI-gevoelig beroep heeft.

Dit is wat er dan uitkomt:

Twee dingen springen eruit. Ten eerste: bij jongeren (15–25, de rode lijn) is er echt iets aan de hand. Het aandeel dat in een AI-gevoelig beroep werkt is sinds eind 2022 met zo’n 16% gedaald, terwijl elke andere leeftijdsgroep vlak blijft of doorstijgt. Precies het kanarie-patroon. Maar ten tweede: kijk naar wat er vóór die daling gebeurde. In 2021 schoot diezelfde rode lijn met bijna 40% omhoog: dat waren de jaren van gratis geld en een oververhitte tech-arbeidsmarkt. Ook na de hele daling staan jongeren nog altijd boven het niveau van voor corona.

Ok, dus we weten nu dat het percentage van de jongeren in een AI-gevoelig beroep aan het dalen is. Is dit AI die starters verdringt, of een tech-hausse die leegloopt nu de rente weer ’normaal’ is? De data ondersteunt beide conclusies. We kunnen nog op een andere manier naar de data kijken: binnen dezelfde groep jongeren de AI-gevoelige beroepen vergelijken met alle andere beroepen.

We zien het zelfde patroon. Jongeren in niet-vatbare beroepen (de blauwe lijn) kenden geen hausse en geen terugval: een rustige, gestaag stijgende lijn. De hele boog zit uitsluitend in de AI-gevoelige beroepen. Ook hier kunnen we geen onderscheid maken tussen de twee mogelijke verklaringen — AI of tech-hausse — omdat we bij beide verklaringen precies hetzelfde plaatje verwachten. De AI-gevoelige beroepen zíjn de rentegevoelige tech- en kantoorberoepen.

Mijn conclusie, voor nu: er is een reële, opvallend specifieke omslag bij jonge starters in AI-gevoelige beroepen, die niet door demografie, COVID of de brede conjunctuur te verklaren is, en die precies past bij wat Brynjolfsson in de VS vond. Of AI de oorzaak is gaan de komende kwartalen leren. Zakt de rode lijn door de blauwe heen, dan werkt het verhaal “gewoon normalisatie na een hausse” niet meer. Blijft ze erboven hangen, dan werken er per saldo nog steeds méér jongeren in deze beroepen dan voor corona.

Het mooie van openbare data: je hoeft mij niet te geloven. De volledige analyse, met interactieve grafieken waarin je zelf per beroep kunt opzoeken hoe AI-gevoelig het is, staat in het uitgebreide artikel. En wie het écht zelf wil nadoen: één Python-script downloadt de bronnen en reproduceert elke tabel en grafiek, ook deze twee. Zodra het CBS een nieuw kwartaal publiceert, kan iedereen zien welke kant de kanarie op vliegt.

Is je baan kwetsbaar voor AI?

Mon, 06 Jul 2026 00:00:00 +0000

Sinds ChatGPT eind 2022 verscheen, woedt er een debat over wat AI met onze banen doet. Met aan de ene kant mensen als Anthropic-topman Dario Amodei, die in 2025 voorspelde dat AI binnen vijf jaar de helft van alle witteboorden-instapbanen zou kunnen wegvagen. Aan de andere kant staan de sceptici, die wijzen op een werkloosheidscijfer dat nog steeds laag blijft.

In de Verenigde Staten liet de Stanford-econoom Erik Brynjolfsson zien dat jonge starters in AI-vatbare beroepen de eerste klappen opvangen: hun werkgelegenheid daalt, terwijl die van oudere collega’s gewoon doorgroeit. Hij noemde die jonge werknemers de kanaries in de kolenmijn: het eerste signaal dat er iets verschuift (en ook de titel van zijn onderzoek). De Rabobank-economen Jesse Groenewegen, Niek van Limbergen en Nic Vrieselaar vonden begin 2026 een vergelijkbaar patroon voor Nederland. Ze kregen daarop meteen stevige, gepubliceerde kritiek terug van de arbeidseconomen Anna Salomons en Wiljan van den Berge, omdat hun resultaten moeilijk los te maken zijn van de gevolgen van COVID op de arbeidsmarkt.

In dit artikel gaan we kijken hoe ver we kunnen komen om de analyse voor Nederland te reproduceren, met uitsluitend openbare data. Dus geen afgeschermde microdata en geen data waarvoor speciale toegang nodig is. We bouwen het verhaal stap voor stap op, en beginnen bij het begin: bij de data zelf. En omdat het openbare data is, kun je alles zelf reproduceren: één Python-script, reproduce.py, downloadt de bronnen en reproduceert elke tabel en grafiek uit dit artikel.

De data verkennen

Om te meten of “AI-vatbare” beroepen anders bewegen dan de rest, heb je twee dingen nodig: een lijst van beroepen, en per beroep een inschatting van hoe blootgesteld elk beroep is aan generatieve AI: welk deel van de taken van een beroep AI in principe zou kunnen overnemen. Zulke beroepen noemen we dan ook wel AI-vatbaar: we gebruiken beide woorden door elkaar. We beginnen bij de beroepenlijst.

De ISCO-beroepenclassificatie

Beroepen worden internationaal geordend volgens de ISCO-08 (International Standard Classification of Occupations) van de Internationale Arbeidsorganisatie (ILO). Het is een hiërarchie: tien brede hoofdgroepen die zich vertakken tot honderden fijnmazige beroepen (van Accountants tot Zuivelbereiders). In totaal telt de classificatie 436 van die viercijferige ISCO-beroepen.

Blader er eens doorheen. Zoek op een beroep dat je kent, of sorteer op hoofdgroep om te zien hoe de classificatie is opgebouwd.

Alle 436 viercijferige ISCO-08-beroepen (unit groups), elk met de hoofdgroep (het bovenste niveau van de hiërarchie) waaronder ze vallen. Klik op een kolomkop om te sorteren of typ in het zoekveld. Bron: ISCO-08 (ILO); Nederlandse namen: CBS.

De automatiserings-score

Een lijst van beroepen zegt op zich nog niets over AI. Daarvoor gebruiken we de index van Gmyrek e.a. (2025), een werkdocument van de International Labour Organization (ILO). Hun aanpak werkt op het niveau van afzonderlijke taken: ze schatten per taak hoe goed generatieve AI die kan overnemen, en tellen die scores per beroep bij elkaar op.

Maar hoe weet je welke taken er in een beroep zitten?

Om te bepalen welke taken er in een beroep zitten, gebruiken we een bestaande, door experts onderhouden takenlijst per beroep. Concreet is dit de Poolse nationale beroepenclassificatie (Poolstalig) die wordt beheerd door het Poolse ministerie van werkgelegenheid en gebruikt door het Poolse CBS. De classificatie bevat voor elk beroep de concrete taken waaruit het bestaat — je kunt ze bekijken in de zoekmachine voor beroepsbeschrijvingen. Het is de Europese tegenhanger van de Amerikaanse O*NET-database. In totaal gaat het om zo’n 29.753 taken verdeeld over circa 2.500 beroepen, die via een mapping worden gekoppeld aan de ISCO-08 classificatie.

De volgende stap is om per taak een automatiserings-score tussen de 0 en 1 toe te kennen, waarbij 0 betekent dat een taak niet te automatiseren is, en 1 dat de taak heel goed te automatiseren is. De scores worden toegekend door AI-taalmodellen (GPT-4o en Gemini), en geijkt met een enquête onder 1.640 Poolse werkenden. Door de taakscores binnen een beroep samen te nemen krijg je per beroep twee getallen:

een gemiddelde score (μ) — hoe automatiseerbaar het beroep gemiddeld is, en
een spreiding (σ) — hoe sterk de taken binnen één baan verschillen in automatiseerbaarheid.

Voorbeeld: de taken van een accountant

Een voorbeeld maakt dit concreet. Neem het beroep accountant. In de Poolse takenlijst bestaat dat uit acht taken; elk daarvan kreeg een automatiserings-score. Hieronder staan ze, van meest naar minst automatiseerbaar:

De acht taken van een accountant (ISCO 2411) met hun automatiserings-score (0–1). Het gemiddelde (μ = 0,51) en de spreiding (σ = 0,08) van deze acht scores bepalen samen de blootstelling van het beroep. Taken-tekst vertaald uit het Engels; bron: Gmyrek e.a. (2025).

De scores liggen dicht bij elkaar (tussen 0,42 en 0,65): een accountant doet veel werk dat AI deels kan ondersteunen, maar geen enkele taak is volledig automatiseerbaar — en geen enkele is volledig veilig. Het gemiddelde komt op 0,51, met een lage spreiding. Verderop zien we wat die combinatie betekent.

De automatiserings-score per beroep

Niet elk beroep krijgt zo’n score. Voor negen van de 436 ISCO-beroepen bestaat er geen takenlijst: de drie beroepen bij de strijdkrachten (die Gmyrek e.a. daarom buiten beschouwing laten), en zes restcategorieën van het type “niet elders geclassificeerd” die geen tegenhanger hebben in de Poolse classificatie. Er blijven dus 427 beroepen met een score over. De volledige dataset, inclusief de scores per taak, heeft Gmyrek op GitHub gepubliceerd.

Hieronder staan alle beroepen nog een keer, nu mét de scores. Sorteer op gemiddelde score (standaard van hoog naar laag) en bekijk welke beroepen bovenaan staan: gegevensinvoer, boekhoudkundig en administratief werk, financiële analyse, software- en webontwikkeling. Precies de beroepen waar generatieve AI veel routinematig werk kan overnemen.

De 427 ISCO-beroepen met de Gmyrek-schatting: gemiddelde automatiseringsscore, spreiding en blootstellingsgradiënt. Sorteer op een kolom om de meest (of minst) blootgestelde beroepen te zien. Bron: Gmyrek e.a. (2025), ILO Working Paper 140.

De blootstellingsgradiënt

De gemiddelde score en de spreiding zeggen iets over hoe ‘vatbaar’ een baan is voor AI. We kunnen nog een stapje verder gaan en deze getallen in één score samenvatten, de blootstellingsgradiënt. In de bovenstaande tabel staat deze in de laatste kolom, een getal van 1 (laag) tot 4 (hoog). Beroepen die daaronder vallen krijgen geen gradiënt; Gmyrek e.a. splitsen ze nog wel in twee categorieën: minimaal blootgesteld (in de tabel “min”, 84 beroepen) en niet blootgesteld (in de tabel een “–”, 231 beroepen — meer dan de helft van alle beroepen).

Het idee is als volgt: een hoog gemiddelde mét hoge spreiding betekent dat er taken zijn binnen een baan die AI niet kan. Dan is AI eerder een hulpmiddel (complement) dan een vervanger (substituut), en verwacht je minder banenverlies. Pas bij een hoog gemiddelde én lage spreiding is AI een echte potentiële vervanger.

In de grafiek hieronder staat elk van de 427 beroepen als één punt: horizontaal het gemiddelde (μ), verticaal de spreiding (σ), en de kleur is de gradiënt. Banen met gradiënt 4 — de rode zone rechtsonder — hebben een hoog gemiddelde (μ ≥ 0,6) én een lage spreiding (μ − σ ≥ 0,5), oftewel de meeste taken binnen een baan zijn automatiseerbaar. Dat is de vervangings-hoek. Aan de andere kant zitten beroepen met een paar automatiseerbare taken maar verder veel mensenwerk (gradiënt 1). Dat is de aanvullings-hoek. Klik op de knop om alleen gradiënt 4 er uit te lichten.

Gemiddelde score (μ) versus spreiding (σ) voor alle 427 ISCO-beroepen, gekleurd naar blootstellingsgradiënt; de grijze punten zijn minimaal blootgesteld, de lichtste niet blootgesteld. De rode zone markeert gradiënt 4 (μ ≥ 0,6 en μ − σ ≥ 0,5): hoge én consistente blootstelling. Beweeg over een punt voor het beroep. Bron: Gmyrek e.a. (2025), ILO WP140, tabel 5.

Van ISCO naar de Nederlandse beroepsindeling

Tijd voor een volgende stap. De blootstellingsscores zitten op ISCO-niveau, maar de Nederlandse werkgelegenheidscijfers komen uit een eigen bron: CBS-tabel 85276NED (“Werkzame beroepsbevolking; beroep”), die we via de open OData-API ophalen. Die tabel telt werkenden per beroep en leeftijdsgroep, en gebruikt daarvoor niet de ISCO classificatie maar de Beroepenindeling ROA-CBS (BRC). Deze indeling is door het CBS afgeleid van de ISCO-08, met Nederlandse beroepsgroepen en eigen codes. Voordat we koppelen, eerst een blik op die beroepenlijst.

De Nederlandse beroepsindeling (BRC) van het CBS: alle 114 beroepsgroepen, gebundeld in 13 beroepsklassen. Je kunt zoeken of sorteren. Bron: CBS, Beroepenindeling ROA-CBS (BRC 2014).

Van 427 beroepen naar 12 Nederlandse groepen

Nu maken we de koppeling. We vertalen de ISCO-beroepen naar de Nederlandse BRC via een mapping, en selecteren daarna de beroepen met een blootstellingsgradiënt van 3 en 4, dus de banen die het meest vatbaar zijn voor AI. Die hoog-blootgestelde ISCO-beroepen komen terecht in twaalf Nederlandse beroepsgroepen. Deze 12 beroepsgroepen vormen onze “blootgestelde” groep; de overige ruim honderd beroepsgroepen zijn de vergelijkingsgroep waartegen we straks de werkgelegenheid afzetten. Het zijn dezelfde 12 waar de Rabobank-economen op uitkomen. Dit zijn ze:

Van alle 427 ISCO-beroepen, via de hoog-blootgestelde (gradiënt 3–4) beroepen, naar 12 Nederlandse beroepsgroepen. Klik op een groep om de onderliggende ISCO-beroepen én voorbeelden van concrete CBS-functietitels te zien.

In de volgende stap brengen we deze twaalf groepen samen met de werkgelegenheidscijfers van het CBS, en zien we eindelijk wat er met de banen gebeurt.

De banen: wat gebeurt er met de werkgelegenheid?

We hebben nu een blootgestelde groep (de twaalf) en een vergelijkingsgroep (de rest). Tijd voor de eigenlijke vraag: bewegen de banen in AI-vatbare beroepen anders dan in de rest?

CBS-tabel 85276NED bevat naast de beroepenindeling ook de aantallen: hoeveel mensen er in elke beroepsgroep werken, uitgesplitst naar leeftijd en per kwartaal. Precies wat we nodig hebben. Voordat we vergelijken, kijken we eerst even naar de ruwe data en daarna denken we goed na over hoe we eerlijk meten, want dat blijkt nog niet zo eenvoudig.

Voorbeeld: accountants in de CBS-cijfers

Om een gevoel te krijgen voor de ruwe data: zo ziet één beroep eruit. Hieronder de werkgelegenheid van accountants, uitgesplitst naar leeftijd (aantal werkenden ×1000, per kwartaal).

Aantal werkende accountants (BRC 0411) per leeftijdsgroep en kwartaal, in duizenden. Bron: CBS 85276NED.

Het valt op dat de aantallen klein zijn: vooral de jongste groep telt maar een paar duizend accountants, en die rij springt dan ook flink op en neer van kwartaal tot kwartaal. Voor één beroep apart is het signaal simpelweg te ruizig. Daarom nemen we alle beroepen in de 12 beroepsgroepen samen, én middelen we over 4 kwartalen.

Hoe meten we dit eerlijk?

De verleiding is groot om simpelweg het aantal werkenden in de vatbare beroepen te volgen. Maar dat aantal wordt door twee dingen vervuild die niets met AI te maken hebben:

Demografie. De omvang van leeftijdsgroepen verschuift. Nederland heeft een grote geboortegolf uit de vroege jaren zeventig, en die schuift op dit moment van de 45–55-groep door naar 55-plus. Daardoor krimpt de totale werkgelegenheid van 45–55-jarigen met zo’n 7% — in alle beroepen, vatbaar of niet. Wie naar aantallen kijkt, ziet daar een daling die demografie is, geen AI.
COVID en de banenhausse. Eind 2022 (het ChatGPT-moment) is een verleidelijk ankerpunt, maar het valt precies op de top van de wervingsgolf die na COVID losbarstte. Wie dáárop indexeert, verstopt die hausse en overdrijft de daling erna.

Daarom doen we de berekening zo:

we berekenen per leeftijdsgroep het aandeel: het deel van alle werkenden in die leeftijdsgroep dat een AI-vatbaar beroep heeft. Teller en noemer schalen dan allebei mee met de omvang van de groep, dus de demografische verschuiving heeft geen effect;
we indexeren op 2019 = 100, het laatste volledige jaar vóór COVID, en we tonen de reeks vanaf 2018. Zo kunnen we zien of er vóór corona al iets aan de hand was;
we middelen over 4 kwartalen, omdat de cijfers uit een steekproef komen.

Het aandeel AI-vatbare banen per leeftijdsgroep

Zo ziet dat eruit:

Twee dingen vallen op. Ten eerste de hausse van 2021: het aandeel van jongeren in AI-vatbare beroepen schoot in één jaar bijna 40% omhoog — de periode van lage rente en digitale versnelling, toen tech-, data- en marketingfuncties nauwelijks aan te slepen waren. Geen enkele andere leeftijdsgroep maakte zo’n sprong. Ten tweede de omslag: vanaf eind 2023 daalt het aandeel bij de jongste groep gestaag, terwijl alle andere groepen vlak blijven of doorstijgen.

Sinds het ChatGPT-moment is het aandeel van werkzame jongeren die een AI-vatbare baan hebben met zo’n 16% gedaald (van 8,6% naar 7,3%); de op één na jongste groep bewoog in dezelfde periode nauwelijks (+1%).

Deze grafiek vat het samen, en laat bewust twee ankerpunten zien. Gemeten sinds ChatGPT daalt alleen de jongste groep hard (−16%); alle andere groepen bewegen hooguit een paar procent — óók de 45–55-groep (−4%), waar de demografische krimp nu netjes is weggefilterd. Maar gemeten sinds 2019 staat elke groep hoger dan voor COVID, inclusief de jongeren (+15%). De daling bij jongeren is dus tot nu toe een gedeeltelijke afbouw van een uitzonderlijke piek, geen val onder het oude niveau. Beide perspectieven zijn even waar. Lastig hoor, statistiek.

Waarom zou AI eigenlijk überhaupt de jongsten raken? Een plausibele verklaring is dat AI vooral de routineuze, goed vast te leggen taken overneemt — precies het soort werk dat doorgaans aan starters wordt gegeven. Oudere werknemers leunen meer op ervaring en impliciete kennis, die zich lastiger laat automatiseren.

Is dit niet gewoon de tech-hausse die leegloopt?

De bovengenoemde kritiek van Salomons en Van den Berge gaat precies hier over: de rente steeg in 2022–2023, de tech-sector kromp, en de AI-vatbare beroepen zíjn grotendeels de rentegevoelige tech- en kantoorberoepen. Hoe onderscheid je AI van een leeglopende wervingsgolf? Eén ding kunnen we met deze data wél controleren: is dit een algemeen jongeren-verschijnsel, of iets specifieks van de vatbare beroepen? Daarvoor vergelijken we, binnen de groep 15–25-jarigen, de werkgelegenheid in vatbare en niet-vatbare beroepen. Let op: hier tellen we weer gewoon aantallen werkenden, geen aandelen — binnen één leeftijdsgroep treft demografie beide lijnen precies even hard, dus in deze vergelijking valt ze vanzelf weg:

Werkenden van 15–25 jaar in AI-vatbare versus niet-vatbare beroepen, geïndexeerd op 2019 = 100 (4-kwartaals gemiddelde). Beweeg over de lijnen voor het geschatte aantal (×1000). Bron: CBS 85276NED.

Het is nogal een contrast. Jongeren in niet-vatbare beroepen kenden geen hausse en geen terugval: hun lijn stijgt rustig en gestaag. Jongeren in vatbare beroepen maakten een flinke boog: van 97 duizend werkenden in 2019, via een piek van 145 duizend medio 2023, terug naar 120 duizend nu — nog altijd 23% meer dan in 2019.

Dit vertelt ons dat er onder jongeren echt iets bijzonders gebeurt in de AI-vatbare beroepen: alleen dáár zit de hausse én de terugval. Wat nog steeds kan, is dat die lijn na een uitzonderlijke piek gewoon terugzakt naar normaal. De komende kwartalen zullen dat uitwijzen: zakt de vatbare lijn onder de niet-vatbare, dan houdt “normaliseren” als verklaring op. Blijft ze erboven hangen, dan werken er per saldo nog steeds méér jongeren in deze beroepen dan vóór COVID.

Eén vraag kan deze data hoe dan ook niet beantwoorden: komt de terugval door AI, of door de gestegen rente die vanaf 2022 de tech-sector liet krimpen? Beide voorspellen precies hetzelfde beeld — eerst een hausse en dan een terugval bij starters in tech- en kantoorberoepen. Om ze uit elkaar te halen heb je gegevens op bedrijfsniveau nodig, zoals Brynjolfsson die had.

Wat overblijft is een beschrijvende conclusie: de omslag is reëel, en hij zit specifiek bij jongeren in AI-vatbare beroepen. Demografie, COVID of de brede conjunctuur kunnen de omslag niet verklaren, en hij volgt precies het patroon dat Brynjolfsson in de VS vond. Maar of AI de oorzaak is, kan deze openbare data niet bewijzen.

Maar waar zijn die banen precies gebleven? Dat is de volgende vraag.

Waar zijn de banen gebleven? Flex en zzp

“Minder banen” kan van alles betekenen: ontslagen, minder verlengde tijdelijke contracten, of een verschuiving naar zelfstandigheid als zzp’er. In Nederland werken veel bedrijven met een vaste kern en daarnaast een flexibele schil bestaande uit tijdelijke en oproepcontracten, en veel zzp’ers. Jongeren zijn daarin oververtegenwoordigd. Kunnen we zien hoe dit verschuift?

Tabel 85276NED bevat naast leeftijd ook de contractvorm, dus we kunnen dit bekijken, maar wel met één belangrijke beperking. In de tabel zitten beide in dezelfde dimensie; je kunt dus wel “15–25 jaar” óf “flexibel contract” kiezen, maar niet allebei. Onderstaande cijfers gelden daarom voor alle leeftijden samen.

Werkgelegenheid in vatbare vs. overige beroepen, per contractvorm, geïndexeerd op 2019 = 100 (4-kwartaals gemiddelde, alle leeftijden). Wissel tussen flexibel, vast en zzp. Bron: CBS 85276NED.

We zien het volgende. Ook hier duikt de zelfde boog op, en opnieuw op één specifieke plek: de flexibele schil van de vatbare beroepen steeg tijdens de hausse tot zo’n 30% boven 2019, en is sinds eind 2022 met zo’n 15% gekrompen. Het vaste werk groeide in diezelfde periode gewoon door (+5%) en het aantal zzp’ers steeg zelfs (+12%). In de overige beroepen bleef flex juist op peil. De aanpassing - of die nu door AI komt of door de conjuctuur - verloopt dus niet door het ontslag van vaste krachten, maar in minder tijdelijke contracten, en deels in een vlucht naar zelfstandigheid.

En omdat jongeren oververtegenwoordigd zijn in flexwerk, is het aannemelijk dat de jongeren-daling (−16%) en de flex-daling (−15%) dezelfde onderliggende beweging zijn. Met deze publieke data is dat niet hard te maken, maar het is wél het Nederlandse aanpassingspatroon dat je zou verwachten.

Een slag om de arm

Hieronder noemen we vier kanttekeningen, die je bij elke grafiek hierboven in je achterhoofd moet houden:

Correlatie, geen causaliteit. Het patroon past bij AI, maar — zoals we zagen — net zo goed bij het leeglopen van de wervingsgolf na de renteverhogingen van 2022–2023. Met openbare data zijn die twee niet uit elkaar te halen; daarvoor is data op bedrijfsniveau nodig. Dit is de kern van de kritiek van Salomons en Van den Berge op het Rabobank-artikel, en die staat nog steeds overeind.
Een daling vanaf een piek, geen instorting. Het aandeel van jongeren in AI-vatbare beroepen ligt ondanks de daling nog altijd boven het niveau van vóór COVID. Zolang dat zo is, blijft “normalisatie na een uitzonderlijke hausse” een mogelijke verklaring. De komende kwartalen zullen dit uitwijzen.
Een enquête, geen telling. De CBS cijfers komen uit de EBB-steekproef. Voor losse beroepen × leeftijd × kwartaal zijn de aantallen klein en grillig; pas door de twaalf groepen samen te nemen en te middelen ontstaat een stabiel beeld.
“Blootstelling” is een theoretische maatstaf, geen gemeten gebruik. De Gmyrek-scores zeggen wat AI in theorie kan overnemen, niet hoeveel een bedrijf het daadwerkelijk inzet. En het meest interessante verband (jong × contractvorm) was met de publieke data niet te maken.

Wat deze reproductie wél laat zien: het patroon van de Rabobank-economen is navolgbaar met alleen openbare data, de blootstellingsclassificatie is onafhankelijk te reproduceren, de demografische vertekening is te ondervangen door in aandelen te meten, en de krimp concentreert zich in de flexibele schil — het typisch Nederlandse aanpassingskanaal.

Tot slot

We zagen het Amerikaanse patroon terug in Nederland: een daling, vanaf een piek, van de werkgelegenheid voor jonge starters in AI-vatbare beroepen, die zich hier vooral via de flexibele schil lijkt te voltrekken. Geen sluitend bewijs, maar wel een duidelijk signaal.

Nog even terug naar Amerika. Brynjolfsson waarschuwde dat we “blind vliegen door een van de meest ingrijpende periodes uit de wereldgeschiedenis”. Dit type analyse speelt een belangrijke rol om te zorgen dat we beter kunnen zien wat er aan de hand is. Het kan natuurlijk beter: je kunt microdata analyseren en daarmee de patronen scherper in kaart brengen, maar dat soort data is niet voor iedereen toegankelijk. Het mooie van open data is dat iedereen, op elk moment, de analyse opnieuw kan doen zodra er nieuwe data beschikbaar is.

Bronnen

Erik Brynjolfsson, Bharat Chandar & Ruyu Chen (2025), Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab.
Jesse Groenewegen, Niek van Limbergen & Nic Vrieselaar (2026), Dalende werkgelegenheid onder Nederlandse jongeren die concurreren met GenAI, ESB.
Anna Salomons & Wiljan van den Berge (2026), Niet zeker dat werkgelegenheid onder Nederlandse jongeren daalt door GenAI, ESB.
Pawel Gmyrek e.a. (2025), Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper 140. De scores per beroep en per taak staan op GitHub (direct bestand, .xlsx).
Klasyfikacja zawodów i specjalności (KZiS), Ministerie van Familie, Werk en Sociaal Beleid (Polen) — de takenlijst per beroep, met een doorzoekbare database van beroepsbeschrijvingen (Poolstalig).
CBS StatLine, tabel 85276NED — Werkzame beroepsbevolking; beroep (open data).
CBS, Codelijsten ISCO-08 — Nederlandstalige beroepsnamen (directe download, .xls).
reproduce.py — standalone Python-script dat alle bovenstaande bronnen downloadt en de volledige analyse reproduceert: elke tabel en grafiek uit dit artikel, als CSV en PNG. Benodigd: pip install cbsodata pandas numpy openpyxl xlrd matplotlib.

Abonneren

Wed, 24 Jun 2026 09:00:00 +0200

Volg deze blog via een RSS-reader. Kopieer de feed-URL, of plak de URL van deze pagina in een feed-reader die automatische ontdekking ondersteunt.

RSS feed →

Wat is RSS?

RSS is een open standaard waarmee je blogs kunt volgen zonder account of algoritme. Je abonneert je via een feed-reader zoals NetNewsWire (Mac/iOS, gratis), Reeder (Mac/iOS), NewsBlur (web, Android, iOS) of Feedly (web). Nieuwe berichten verschijnen dan automatisch in je reader — zoals e-mail, maar dan zonder inbox.

Contact

Wed, 24 Jun 2026 09:00:00 +0200

De eenvoudigste manier om met me in contact te komen is een bericht sturen via mijn LinkedIn profiel.

Ideeën voor een goede toekomst

Wed, 24 Jun 2026 09:00:00 +0200

In een eerder stuk hield ik bewust een slag om de arm. We weten niet hoe ver de automatisering van kenniswerk door AI gaat, en hoe snel. Laat ik die voorzichtigheid nu even loslaten: stel dat het lukt. Stel dat machines binnen afzienbare tijd een groot deel van het betaalde denkwerk overnemen. Wat dan?

De eerste reactie is meestal angst en ongerustheid, over geld, maar vooral over de vraag waar mensen dan nog voor zijn. We hebben werk, inkomen en identiteit zo strak aan elkaar geknoopt dat we ons een waardig leven zonder betaalde baan nauwelijks kunnen voorstellen. Juist daar moeten we beginnen.

Werk is een bundel

Een betaalde baan levert meer dan loon. Ze geeft ritme aan je dag, een plek tussen anderen, en het gevoel dat je ergens aan bijdraagt. Loon, structuur, contact en status zijn nu aan elkaar verbonden in één pakket, gekoppeld aan de arbeidsmarkt.

Automatisering knipt vooral de eerste draad door: de markt heeft jouw arbeid niet meer nodig om geld te verdienen. Maar voor de mens veranderd er weinig: die heeft nog steeds geld nodig om van te leven, een dagritme, verbondenheid, en het besef dat ze ertoe doen.

Geen tekort aan waardevol werk

We vrezen een wereld zonder werk, terwijl er overal werk ligt dat niet gedaan wordt. Ouderen die meer aandacht verdienen dan er handen voor zijn. Kinderen die baat hebben bij kleinere klassen. Buurten die onderhoud nodig hebben, natuur die hersteld moet worden, kennis en cultuur die overdracht vragen. De lijst is lang en de behoeften zijn echt.

Er is dus geen tekort aan waardevol werk. Er is een tekort aan betaald werk, een wezenlijk verschil.

De voor de hand liggende tegenwerping is: als dat werk zo waardevol is, waarom betaalt de markt er dan niet voor? Het antwoord is dat de waarde ervan zich slecht laat verzilveren. De waarde ontstaat verspreid, ze ontstaat pas op lange termijn, of komt terecht bij mensen die niet kunnen betalen: een kind, een zieke, een ecosysteem, een volgende generatie. Het gaat om publieke waarde, en die organiseren we niet via de markt maar via gedeelde keuzes. Onderwijs, zorg en cultuur bestaan omdat we samen hebben besloten dat ze de moeite waard zijn, ook al leveren ze geen winst op. Het is werk dat zich slecht laat automatiseren, want het draait om aanwezigheid, menselijke interacties en relaties. Het is werk dat mensen voor mensen doen.

Zorg en onderlinge afhankelijkheid als ordenend principe

We kunnen dus anders over werk na gaan denken. Zolang we “werk” gelijkstellen aan “betaalde baan”, ziet een toekomst met minder banen er leeg uit. Zodra we kijken naar “werk” als “bijdrage aan de maatschappij in bredere zin”, gaat er een wereld aan mogelijkheden open. Een groep Britse onderzoekers heeft dit idee uitgewerkt onder de noemer van zorg als ordenend principe, op elke schaal: van het huishouden tot de gemeenschap, de economie en de natuur. De kern is dat we op duizenden manieren van elkaar afhankelijk zijn, of we dat nu prettig vinden of niet. Niemand redt het alleen, niet als kind, niet als zieke, niet als oudere, eigenlijk op geen enkel moment in ons leven. Een samenleving die dat erkent, zet zorg centraal in alles wat ze doet.

Waar is de economie eigenlijk voor?

De econoom Kate Raworth heeft hier een model voor, dat ze de donut noemt. In haar model gaat het er niet om de economie zo groot mogelijk te maken, maar om de behoeften van iedereen te vervullen binnen de grenzen van de planeet. Een sociale ondergrens waar niemand doorheen zakt, en een ecologisch plafond dat we niet doorbreken. Daartussen ligt de ruimte waarin een samenleving kan floreren.

Het aantrekkelijke van dat beeld is dat het groei van zijn voetstuk haalt zonder welvaart overboord te gooien. Groei wordt een middel dat soms nodig is en soms niet, in plaats van een doel op zich. De maatstaf verschuift van hoeveel we produceren naar de vraag of mensen en leefomgeving er werkelijk beter van worden. Van “hoe houden we de productie op gang" naar “waar is die productie eigenlijk voor”. Amsterdam was in 2020 de eerste stad die dit model omarmde als kompas voor beleid.

Een uitkering of een baangarantie

Tot zover de kompasrichting. Maar een richting is niks zonder uitvoeringsopties. Als we het inkomen losweken van betaalde arbeid, komen er twee praktische vragen op tafel. Hoe komen mensen aan een inkomen? En hoe wordt al dat waardevolle, maar onbetaalde werk gefinancierd en serieus genomen? Hier lopen de antwoorden uiteen.

Een vaakgehoord antwoord is het onvoorwaardelijke basisinkomen: de overheid geeft iedereen een vast bedrag, los van werk. Het is eenvoudig, het geeft mensen vrijheid, en het laat de staat buiten de vraag wat waardevol werk is.

Een ander antwoord is een baangarantie, het sterkst uitgewerkt door de econoom Pavlina Tcherneva. De overheid biedt iedereen die wil werken een baan tegen een fatsoenlijk vast loon, juist in het werk dat de markt laat liggen: zorg, gemeenschap, natuurherstel. Wie geen plek vindt in de private sector, kan hier terecht. Zo’n baangarantie werkt ook als automatische stabilisator. In slechte tijden, als bedrijven mensen laten gaan, groeit het programma. In goede tijden, als de private sector aantrekt, krimpt het vanzelf weer.

Ik neig naar de baangarantie, om twee redenen. De eerste is dat een basisinkomen mensen vooral tot consument maakt. Het geld houdt de economie op gang, maar het werk dat we juist gedaan willen hebben, ontstaat er niet door. De zorg, de aandacht, het herstel: dat moet nog steeds door iemand gedaan worden. Een baangarantie regelt het inkomen én het werk in één beweging, en geeft mensen wat een uitkering niet geeft: een plek in de maatschappij en een mogelijkheid om daaraan bij te dragen. De tweede reden is politieke houdbaarheid. Een kale geldtransfer is kwetsbaar. Hij is makkelijk weg te bezuinigen, negatief te framen als gratis geld, of stilletjes te laten uithollen. Werk waar mensen en buurten zichtbaar baat bij hebben, is veel lastiger af te schaffen.

En de kosten dan? Die vormen een minder harde grens dan vaak wordt gedacht. De stroming achter de baangarantie, de moderne monetaire theorie (MMT), wijst erop dat een staat die zijn eigen munt uitgeeft niet zomaar door zijn geld heen kan raken zoals een huishouden dat kan. De enige echte beperking is wat er aan mensen, materiaal en milieu beschikbaar is. Het verschuift de vraag van “kunnen we het ons veroorloven” naar “hebben we de mensen en middelen om dit te doen?”.

De baangarantie heeft ook zijn zwakke plekken: werk dat verdwijnt zodra de economie aantrekt, past bijvoorbeeld slecht bij zorg en natuurherstel, die juist continuïteit vragen.

Wat is van waarde?

En wie bepaalt er eigenlijk wat als waardevol werk telt? Bij een baangarantie ligt dat antwoord deels bij de staat, en dat is een reëel risico. Wie de lijst bepaalt, bepaalt veel. Maar misschien is dat geen weeffout die we moeten wegwerken. Misschien is het de kern van de zaak. In een wereld waarin machines het meeste betaalde werk kunnen doen, is de vraag wat menselijke inzet waard is een politieke en morele vraag, en die hoort thuis bij ons allemaal, niet bij een algoritme, een markt of een ministerie alleen.

Naast het verstevigen van het vangnet moeten we samen uitvinden welk werk we de moeite waard vinden om te behouden, te verdedigen en te laten groeien. Dat gesprek voeren we nu nauwelijks. We zouden er beter aan doen het te beginnen voordat de techniek de keuze voor ons maakt.

Links:

Kate Raworth, “Doughnut Economics: Seven Ways to Think Like a 21st-Century Economist” (2017)
Pavlina R. Tcherneva, “The Case for a Job Guarantee” (2020)
The Care Collective, “The Care Manifesto: The Politics of Interdependence” (2020).

Het plan is om bijna al het denkwerk te automatiseren. Waar blijft de voorbereiding?

Mon, 22 Jun 2026 09:00:00 +0200

Stel je een zeventienjarige voor die nu een opleiding kiest. Ze twijfelt tussen rechten, iets met administratie, of een opleiding tot vormgever. Ze doet wat we haar al jaren adviseren: kies een richting en investeer flink in een opleiding, zowel in geld als in tijd. De volwassenen om haar heen gaan er stilzwijgend van uit dat tegen de tijd dat ze is uitgeleerd er een startersbaan op haar wacht, en een loopbaan.

Maar dat is een aanname die er steeds onzekerder begint uit te zien. De bedrijven die de krachtigste AI-systemen ter wereld bouwen hebben namelijk opgeschreven wat hun doel is. En dat doel is niet “AI als handige assistent”, hoewel ze dat bij media-optredens vaak wel zo brengen. Het doel is om het werk zelf over te nemen.

OpenAI omschrijft haar missie als het bouwen van Artifical General Intelligence (AGI): “highly autonomous systems that outperform humans at most economically valuable work”. Dus autonome systemen die mensen overtreffen bij het meeste economisch waardevolle werk. Het is de zin waarmee één van de invloedrijkste bedrijven van dit moment zichzelf definieert. Het is belangrijk om dit even tot je door te laten dringen. Het overtreffen van mensenwerk is de expliciete opdracht die deze bedrijven zichzelf hebben gegeven, en waarvoor honderden miljarden worden opgehaald om het te realiseren.

De enorme omvang van de investeringen in AI zijn een argument op zichzelf. De bedragen die nu in datacenters, chips en energie gaan zitten, zijn zo groot dat ze moeilijk te rechtvaardigen zijn met het verhaal “we maken een handige assistent”. Ze zijn pas te begrijpen als je aanneemt dat het werkelijke doel niet is om hier en daar een taak te versnellen, maar om grote delen van het kenniswerk over te nemen van mensen. Het bedrijfsmodel van deze bedrijven is er op gebouwd dat dit lukt.

GDPval – kanarie in de kolenmijn

Een tegenargument dat je vaak hoort is: techbedrijven overdrijven nou eenmaal graag. Dat klopt inderdaad. Hoe kunnen we beoordelen wat de echte situatie is?

OpenAI heeft een test ontwikkeld, GDPval, die de prestaties van AI test op echt beroepswerk. Denk aan het opstellen van juridisch advies, het maken van een financieel model, een verpleegkundig zorgplan, een offerte. De test bestaat uit echte opdrachten uit 44 beroepen die worden gemaakt door zowel een AI model als een mens, en die vervolgens worden beoordeeld door ervaren vakmensen die niet weten of ze naar het werk van de mens of het model kijken. Als het werk van de AI als beter of even goed als dat van de mens wordt beoordeeld is dat een punt voor de AI, anders is het een punt voor de mens.

Toen de studie werd gedaan in 2024 ging de score van het beste model in ongeveer een jaar van zo’n 12 procent naar bijna 50 procent, waarbij een score van 50 procent dus betekent dat bij de helft van de taken de AI even goed of beter werk levert als de mens. Eind 2025 zat een nieuwer model al rond de zeventig procent gelijk of beter. Het gaat hier om kenniswerk, niet om fysiek werk, en “gelijkspel” telt in het voordeel van AI. Maar de richting is duidelijk, en de snelheid is dat ook.

Oftewel: voor een groeiend deel van afgebakende kennistaken levert een AI model nu al werk af dat een ervaren vakspecialist niet meer van mensenwerk kan onderscheiden. Daarmee verdwijnen er nog geen hele banen. Maar banen zijn opgebouwd uit taken, en de instaprollen waarin jongeren juist het vak leren, bestaan vaak uit precies dat soort taken.

Zien we al een golf van massa-ontslagen door AI? Nee, nog niet. Maar dat is ook niet wat je verwacht: de arbeidsmarkt reageert wel vaker uitermate traag op een nieuwe technologie, omdat de invoering van nieuwe systemen jaren kost. Het heeft bijvoorbeeld decennia geduurd voordat de computer echt zijn intrede deed op de werkvloer. Dus er is geen reden voor paniek, maar wél reden om heel goed op te letten en alvast voorbereidende maatregelen te nemen.

Het lastige is: we zijn slecht in het ons voorstellen van een wereld die wezenlijk anders is dan de huidige. We trekken onbewust de huidige arbeidsmarkt door naar de toekomst, maar dan met een AI-sausje eroverheen. De mogelijkheid dat de structuur van de arbeidsmarkt zelf verandert, dat de relatie tussen werk en inkomen anders komt te liggen, valt buiten ons beeld. En wat we ons niet kunnen voorstellen, kunnen we ook niet voorbereiden. We moeten dus ons voorstellingsvermogen oprekken.

Twee toekomsten, allebei haalbaar

Het sombere beeld is makkelijk te schetsen. Een arbeidsmarkt waar de onderste sporten van de ladder zijn weggehaald, waar jongeren geen plek vinden om een vak te leren, waar de winst van automatisering neerslaat bij een kleine groep en de kosten bij iedereen daarbuiten. Een samenleving die rijker is dan ooit en tegelijk groepen mensen overbodig verklaart. Dat is de uitkomst die je krijgt als je de huidige prikkels hun werk laat doen en verder niets doet.

Maar er is een andere uitkomst, en die is net zo haalbaar. Als machines een groot deel van het noodzakelijke werk overnemen, komt er iets vrij wat van oudsher schaars was: tijd en menselijke aandacht. Tijd voor zorg, voor onderwijs, voor elkaar. Voor het herstellen van natuur, voor werk dat nu blijft liggen omdat het niet rendabel is. Een samenleving die welvaart minder strak aan loonarbeid koppelt, en mensen de ruimte geeft om waardevol te zijn op manieren die de markt slecht beloont.

Drie maatregelen

Omdat niemand weet hoe AI zich gaat ontwikkelen en hoe snel, is het verstandig om te beginnen met maatregelen die de moeite waard zijn, hoe de toekomst er ook uit ziet. Hieronder benoem ik er drie.

De eerste: een goed vangnet. We hebben al regelingen, zoals de WW, die werken als een automatische stabilisator zodra mensen hun werk verliezen, ongeacht de oorzaak. Een econoom als Martha Gimbel verwoordt het als volgt: word niet te creatief met je oplossingen voor een door AI veranderende arbeidsmarkt. Versterk het stelsel dat er al is, want het is flexibel, het werkt vanzelf, en het heeft zich bij eerdere technologische omslagen bewezen. Of de schok nu groot wordt of klein, een steviger vangnet is geen verspilde investering.

De tweede: meten is weten. We kunnen niet reageren op verdringing die we niet zien aankomen, dus we hebben een systeem nodig dat verschuivingen op de arbeidsmarkt zichtbaar maakt voordat ze een crisis worden. Investeer daarom in betrouwbare, gedetailleerde, en tijdige informatievoorziening.

De derde: Begin nú met nadenken over en het voorbereiden van een alternatieve fiscale en sociale architectuur, zodat we niet in paniek hoeven te improviseren als de verandering opeens snel gaat. Hier is genoeg input voor, waarover meer in een volgende post.

Geen van deze stappen vraagt dat je gelooft dat al het werk volgend jaar verdwijnt. Maar het zijn nuttige eerste stappen als je de mogelijkheid van een door AI ernstig verstoorde arbeidsmarkt serieus genoeg neemt om je voor te bereiden.

Links:

OpenAI Charter (missie-definitie AGI)
OpenAI, “Measuring the performance of our models on real-world tasks” (GDPval, sept. 2025)
Martha Gimbel, “Don’t get fancy with your labor market fixes for AI” (The Argument, dec. 2025)
Axios, “Economists, investors pitch Washington on AI-driven job loss safety net” (maart 2026).

Over

Sun, 21 Jun 2026 17:00:16 +0200

Ik ben Mark Tiele Westra, en in deze blog denk ik hardop na over AI: de technologie, de gevolgen, en wat het betekent voor hoe we werken en leven.

Mijn achtergrond: gepromoveerd in de Theoretische Natuurkunde en een Master in Filosofie van Wetenschap, Technologie en Samenleving. Ruim 15 jaar ervaring in softwareontwikkeling, onder andere op het gebied van data-analysetools gebruikt voor water- en sanitatieprojecten in meer dan 20 landen en machine learning projecten met de Wereldbank. Momenteel ben ik Practor Toegepaste AI bij Firda en Associate Lector Applied AI bij NHL Stenden.

De technologie achter AI vind ik in gelijke mate eindeloos fascinerend en behoorlijk verontrustend. Deze blog is een weerslag van mijn zoektocht naar het beter begrijpen van dit wonderlijke fenomeen.

AI en de vijf stadia van rouw

Sun, 07 Jun 2026 09:00:00 +0200

Met AI hebben we iets wat we als uniek menselijk zagen, onze intelligentie, in een machine gerealiseerd. En nu staan we ernaar te kijken. Wat we zien verrast en ontregelt ons: misschien is intelligentie niet precies wat we dachten dat het was, en is het misschien niet alleen van ons.

Die ontregeling, dat is ons eerder overkomen: Copernicus liet zien dat de mens niet het centrum van het heelal is, en Darwin liet zien dat de mens een dier is tussen de andere dieren. Sigmund Freud beschreef zulke verschuivingen als ‘krenkingen’ van de menselijke eigenliefde. Het zijn pijnlijke decentreringen, waarbij de mens afscheid moet nemen van diep gekoesterde overtuigingen. En bij die pijn hoort rouw.

In 1969 schreef de Zwitserse psychiater Elizabeth Kübler-Ross over rouw. Zij identificeerde de ons welbekende vijf stadia: ontkenning, boosheid, onderhandelen, depressie, en acceptatie. Misschien kunnen we dit frame ook toepassen op hoe mensen op AI reageren? In een essay uit 2024 schrijft techniekfilosoof Benjamin Bratton precies hierover. Niet als stadia die elkaar opvolgen, maar als typologie. Bijvoorbeeld zo:

Ontkenning — “het is maar autocomplete, gewoon statistiek, niet echt intelligent en zeker niet echt creatief.”

Woede — “AI is een existentiële bedreiging, het bedreigt werk en menselijke waardigheid en moet worden tegengehouden, eventueel met geweld.”

Onderhandelen — “met de juiste regels, ethische commissies en ‘alignment’ kunnen we AI in toom houden.”

Depressie — “het is misschien al te laat om de mensheid van AI te redden, dit loopt slecht met ons af.”

Aanvaarding — “dit zat er altijd aan te komen, het is een volgende stap in een lang evolutionair proces.”

Allemaal begrijpelijke, menselijke reacties. We hebben ze allemaal de afgelopen tijd in het nieuws langs zien komen. Elk bevat een kern van waarheid, en tegelijk een versimpeling. Kunnen we hier iets mee? Kan dit frame ons helpen om naar de toekomst te kijken? Voorbij de stadia van rouw te komen?

In zijn artikel nodigt Bratton ons uit om op zoek te gaan naar andere manieren van nadenken over de aard van artificiële intelligentie, manieren die noch optimistisch of pessimistisch zijn, noch utopisch of dystopisch. Zodat we met open ogen in de spiegel kunnen kijken die AI ons voorhoudt, en iets kunnen leren over onszelf en onze plek in de wereld.

Digitale Makers

Tue, 05 May 2026 09:00:00 +0200

In het artikel ‘Meer AI, minder instroom is een gevaarlijke combinatie’ beschrijven Anita Bosman en Klaas Brongers een riskante trend: jongeren kiezen vanwege AI niet meer voor ICT. Terwijl software in rap tempo in alle hoeken van de maatschappij doordringt, en het tekort aan ICT’ers structureel is.

Hun suggestie om ICT-onderwijs aantrekkelijker te maken is terecht. Maar het is makkelijk om de plank mis te slaan. Een flinke dosis AI in het curriculum stoppen en uitleggen dat ICT écht belangrijk blijft voor de maatschappij, gaat het niet redden. Want de onderliggende angst wordt daarmee niet geadresseerd: dat AI programmeurs overbodig maakt. Zolang dat beeld overeind blijft bij leerlingen, ouders en decanen, verandert er weinig.

Wat we nodig hebben is een nieuw verhaal. Niet “leer programmeren ondanks AI”, maar “bouw de toekomst mét AI als gereedschap.”

Binnen Firda werken we aan dat verhaal. We noemen het de Digitale Maker: een creatieve puzzelaar die met een brede set gereedschap (code, neurale netwerken, taalmodellen, en eigen creativiteit) samen met AI oplossingen bouwt in allerlei sectoren. Van een robot die appels plukt tot een zorgapp die patienten helpt. Iemand die diepgaande kennis heeft van ICT, en dat combineert met ervaring en belangstelling voor andere vakgebieden: zorg, agritech, logistiek, robotica.

AI vervangt de programmeur niet. AI maakt de programmeur krachtiger en veelzijdiger. Maar dat verhaal moet je wel vertellen, en het moet kloppen met wat jongeren in de opleiding tegenkomen.

Pleidooi voor rommelige onvolmaaktheid

Mon, 06 Apr 2026 09:00:00 +0200

Pieter verwerkte adreswijzigingen voor een grote verzekeringsmaatschappij. Voorspelbaar en eenvoudig werk. Nuttig en belangrijk, voor hemzelf én voor zijn werkgever. Tot klanten hun adreswijziging zelf konden doorgeven. Toen was er voor Pieter geen passende arbeid meer.

Nu heeft Pieter een ‘zekere afstand tot de arbeidsmarkt’. Maar is Pieter afgedreven van de arbeidsmarkt, of is de arbeidsmarkt afgedreven van Pieter? We behandelen efficiëntie alsof het een natuurwet is. Alsof het vanzelfsprekend is dat werk verdwijnt zodra een machine het goedkoper kan. Maar dat is een keuze. En elke keuze heeft winnaars en verliezers.

Pieters werk werd niet overbodig. Adreswijzigingen moeten nog steeds verwerkt worden, alleen doet nu een systeem dat. Zijn werk werd weggeoptimaliseerd. De vraag is niet alleen kan technologie dit werk overnemen, maar ook: moeten we dat willen? En als we dat willen, wat bieden we Pieter dan?

Met de komst van AI versnelt dit patroon zich. Niet alleen administratief werk verdwijnt, maar ook wat we tot voor kort ‘kenniswerk’ noemden. Wat overblijft is vooral supervisie: overzicht houden, bijsturen, beoordelen. Senior-level werk.

De arbeidsmarkt wordt daardoor niet kleiner, maar smaller. De brede basis van uitvoerend werk krimpt. Wat overblijft is een top van kenniswerkers en een groeiende onderkant van onzeker, slecht betaald werk. Het werkloosheidscijfer vertelt dat verhaal niet. Het gaat ook om de kwaliteit van werk. Om waardigheid.

Er was niets mis met het werk van Pieter. Het was voorspelbaar en overzichtelijk. Hij kon het goed, en het gaf hem een plek in een organisatie, in de maatschappij. Dat is een basisbehoefte.

We zijn het vermogen kwijtgeraakt om dat soort werk te waarderen. Werk dat niet ‘slim’ is, niet ‘innovatief’, niet ‘disruptief’. In een cultuur die geobsedeerd is door optimalisatie, is er steeds minder ruimte voor. Maar betaald werk is meer dan een economisch instrument. Het is hoe mensen deelnemen aan de samenleving. Als die pijler wegvalt, valt er meer weg dan inkomen alleen.

Daarom een pleidooi voor rommelige onvolmaaktheid. Voor een arbeidsmarkt die bewust ruimte laat voor mensen. Die niet alles optimaliseert. Die accepteert dat menselijke arbeid soms minder efficiënt is, en dat oké vindt.

Rommelige onvolmaaktheid betekent: werk dat plek voor Pieter behoudt, ook al kan een systeem het sneller. Een samenleving die zorgwerk waardeert. Zorg voor mensen, voor de gemeenschap, voor de natuur. Niet altijd de goedkoopste keuze, niet altijd de snelste. Maar misschien wel de meest menselijke.

Misschien is het tijd dat de arbeidsmarkt weer naar de mensen toekomt. Rommelig en onvolmaakt. Maar met plek voor iedereen.

Anthropic vs. de Amerikaanse overheid

Sat, 28 Feb 2026 09:00:00 +0200

Voor iedereen die geïnteresseerd is in de ethiek van AI is het de moeite waard om te volgen wat zich nu in Amerika afspeelt.

Het Department of Defence (door Trump van de veelzeggende extra titel ‘Department of War’ voorzien) eist dat Anthropic (maker van Claude) alle gebruiksbeperkingen op hun AI-modellen opheft. Concreet gaat het om twee waarborgen die Anthropic in het contract had bedongen: het verbod op massa-surveillance van Amerikaanse burgers, en het verbod op volledig autonome dodelijke wapens die zonder mens-in-de-loop een doelwit uitkiezen en doden.

Anthropic weigert dit, en dat heeft ze de toorn van de Amerikaanse regering op de hals gehaald. Trump heeft alle overheidsdiensten opgedragen te stoppen met AI modellen van Anthropic. Minister van Defensie Hegseth heeft Anthropic bestempeld als ‘supply chain risk’, een aanduiding die normaal gereserveerd is voor buitenlandse vijanden en nog nooit op een Amerikaans bedrijf is toegepast. Tegelijkertijd dreigt de regering met de ‘Defense Production Act’, een wet die alleen geldt als een product essentieel is voor de nationale veiligheid. Anthropic is dus tegelijk een veiligheidsrisico én onmisbaar. Een wonderlijke tegenstelling die laat zien dat dit vooral een machtsstrijd is.

Ondertussen is OpenAI (maker van ChatGPT) in het gat gesprongen, en heeft een deal met het Pentagon gesloten. Ze zeggen dezelfde rode lijnen te hanteren, maar laten de beoordeling daarvan aan het Department of Defence over. Wel zo gemakkelijk.

Anthropic is geen heilige: ze werken samen met surveillance-bedrijf Palantir en waren het eerste AI-bedrijf dat actief was op de defensie-computernetwerken van de overheid. Maar deze confrontatie laat wel zien dat er grote verschillen bestaan tussen AI-aanbieders als het aankomt op het stellen van ethische grenzen.

We gebruiken inmiddels zo’n beetje allemaal AI. Deze episode laat zien hoe hoog de inzet is: de ethische grenzen aan AI staan onder grote druk, en een gunstige uitkomst is allerminst zeker. Dit is een sterk argument voor digitale soevereiniteit: eigen Europese en Nederlandse AI modellen, op onze eigen voorwaarden, onderbouwd door onze eigen ethiek. Hup GPT-NL!

Links:

Software 1.0, 2.0, 3.0

Sat, 07 Feb 2026 09:00:00 +0200

Het vak van software developer gaat niet verdwijnen, maar wordt rijker dan ooit.

Als programmeur bedenk je iets, een website, spel of algoritme, en de computer voert het uit. Dat is de kern van het vak: je vertaalt een menselijke intentie naar een werkend computersysteem. Dat verandert niet. Maar de gereedschapskist is de afgelopen paar jaar geëxplodeerd.

Andrej Karpathy (voormalig AI-directeur van Tesla, medeoprichter van OpenAI en uitvinder van de term ‘vibe coding’) heeft daar een helder denkkader voor. Hij onderscheidt drie soorten software:

1.0 — Klassieke code. Regels die de computer exact vertellen wat hij moet doen. Denk aan je tekstverwerker, je bankapp, of de software die een raket naar de maan stuurt. Tot nu toe geschreven door mensen, maar dat gebeurt steeds vaker door AI of samen met AI.

2.0 — Neurale netwerken. Systemen die niet geprogrammeerd worden met regels, maar getraind met enorme hoeveelheden voorbeelden. De zelfrijdende auto herkent een voetganger niet omdat iemand regels heeft geschreven over hoe een voetganger eruitziet, maar omdat het systeem miljoenen voorbeelden heeft gezien.

3.0 — Taalmodellen zoals Claude, ChatGPT en Gemini. Het zijn complexe systemen die zelf vol zitten met neurale netwerken. Het bijzondere is dat je ze kunt sturen met gewone taal: je ‘programmeert’ ze met een prompt.

Om de enorme variëteit van de wereld aan te kunnen moet je soms naar software 1.0 grijpen, soms 2.0, en soms 3.0. Of een combinatie daarvan, bijvoorbeeld bij AI Agents.

Vanaf nu werken we steeds vaker samen met AI agents die het grootste deel van de code schrijven. De developer houdt de regie: specificeert het gewenste resultaat, verifieert de code. Zonder concessies aan kwaliteit. Karpathy noemt dit ‘Agentic Engineering’: agentic omdat je als developer meestal niet meer zelf de code schrijft maar daar agents voor inzet, engineering omdat het een echt vakgebied is en blijft, met zijn eigen diepgang en expertise.

Maar wat betekent dit voor het vak? Moet elke developer straks alle drie de vormen van software beheersen, of ontstaan er nieuwe specialisaties? Hoe verandert de verhouding tussen ontwerpen, bouwen en testen? Bij Firda en NHL Stenden zijn we volop met deze vragen bezig. Want als het vak verandert, moet het onderwijs meebewegen.

Links:

Presentatie Karpathy

AI in het Coalitieakkoord

Sun, 01 Feb 2026 09:00:00 +0200

In het nieuwe Coalitieakkoord is er veel aandacht voor AI. Terecht denk ik, want AI gaat een grote impact op ons leven hebben. Dit is wat mij betreft de sleutelzin: “We bouwen aan een digitaal weerbare samenleving aan de hand van een ecosysteemaanpak, waarin we samen met het onderwijs, het bedrijfsleven en de overheid een stap vooruit zetten zodat iedereen volop de kansen van kunstmatige intelligentie kan benutten.”

Goed idee! Maar hoe doe je dat? Hoe zorg je ervoor dat ‘iedereen de kansen kan benutten’? Hoe zorg je ervoor dat de inzet van AI de mensenlijke autonomie versterkt? Dat AI bijdraagt aan een goed leven? Hoe weten we wie profiteert, en wie de risico’s draagt?

Een belangrijk ingrediënt hierbij is AI geletterdheid, het vermogen om AI te begrijpen, te gebruiken en kritisch te beoordelen. Sinds vorig jaar is het onder de EU AI Act voor organisaties een verplichting om hieraan te werken. Hoe geven we dat vorm in het onderwijs?

Eén van de beste resources die ik ben tegengekomen op dit gebied is het UNESCO AI Competence Framework. Er is er eentje voor leerlingen en eentje voor docenten. Het is gedegen en onderbouwd materiaal. Voor studenten zijn dit de competentie-dimensies:

Een mens-gerichte houding
Ethiek van AI
AI technieken en toepassingen
Ontwerpen van AI systemen.

Elke dimensie krijgt drie niveaus: begrijpen, toepassen, creëren. Zo kan elk aspect meerdere keren terugkomen in een curriculum, waardoor kennis beklijft en verdiept.

Als je bezig bent met dit onderwerp is dit framework echt een aanrader. Wat mij vooral aantrekt is het feit dat ethiek en een mens-gerichte houding de basis vormen voor alles. En dat besef gaan we de komende tijd heel hard nodig hebben om ons staande te houden in de AI-storm.

Relevante links:

Mijn software-bouwtijd intuitie werkt niet meer

Sat, 17 Jan 2026 09:00:00 +0200

In mijn carriere heb ik vaak te maken gehad met een vrij ongrijpbaar element van software development: het inschatten van de tijd die nodig is om bepaalde functionaliteit te maken. Het is een soort ‘dark art’ waarin intuitie, ervaring en ongefundeerd optimisme samenkomen om een wilde slag te slaan naar ‘hoe lang het gaat duren om dit te bouwen’. Onder programmeurs is het een rijk veld van humor, vaak met een kern van waarheid. Zo is er de ‘pi-regel’: maak een schatting van de tijd die je denkt nodig te hebben, en vermenigvuldig die met pi (ongeveer 3).

Waarom vertel ik dit? Afgelopen week had ik een ervaring waaruit bleek hoezeer het vak van software development aan het veranderen is. Ik wilde een demo-applicatie maken voor een Agent Constitution Framework waaraan ik werk binnen NHL Stenden. Denk aan: html/css/js frontend met 10 tabs, python backend, ollama taalmodel, sqlite database. Had ik dit werk in mijn vorig leven als ontwikkelaar moeten inschatten, dan had ik 2-3 weken geschat.

Maandag om 8:00 begon ik met schrijven van de specificatie. Om 8:20 was dat klaar. Daarna vroeg ik Claude Opus 4.5 om de code te maken. Om 8:30 was de code klaar. En het werkte in één keer. Prima user interface, mooie code, werkelijk niks op aan te merken. Dat is dus ongeveer 200x sneller dan wat ik een paar jaar terug zou hebben ingeschat. Met behoorlijk wat verbazing heb ik naar mijn scherm gekeken.

Natuurlijk bestaat het vak van programmeur niet alleen uit code schrijven. Consensus vinden over wat gebouwd moet worden is minstens zo belangrijk. En natuurlijk gaat het hier om een kleine, nieuwe applicatie, die alleen lokaal op mijn computer hoeft te draaien. Alle gedoe rond devOps, hosting, en security ontbreken hier. Maar toch. Het vak veranderd razendsnel.

Exponentiële groei - eerst bedriegelijk langzaam, dan verontrustend snel

Fri, 07 Nov 2025 09:00:00 +0200

Exponentiële groei: bedrieglijk langzaam in het begin, en dan alarmerend snel. Je legt op het eerste vakje van een schaakbord 1 rijskorrel, op het tweede vakje 2 korrels, dan 4, dan 8, enzovoort. Hoeveel rijst heb je in totaal nodig voor de 64 vakjes? Neem even een moment om het je voor te stellen. Wat zegt je gevoel? Dan het antwoord: je hebt 370 miljard ton rijst nodig, oftewel ongeveer 670 maal de huidige wereldproductie.

Halverwege het schaakbord staat de teller ‘nog maar’ op 43 ton. Futurist Ray Kurzweil heeft het dan ook over ‘de tweede helft van het schaakbord’ als term om aan te geven wanneer de snelheid van exponentiele groei echt voelbaar wordt in technologische ontwikkeling. Op dat punt zijn we nu aangeland met generatieve AI. Het betekent dat onze intuitie ons in de steek laat. Dat ontwikkelingen zo snel gaan dat een mening over AI een houdbaarheid heeft van hooguit 6 maanden. Dat ons collectieve voorstellingsvermogen volstrekt ontoereikend is om te zien wat er gaat komen, zodat we op dit moment louter reactief reageren.

Voor mij is 2025 het jaar geweest waarin de AI-versnelling echt voelbaar werd. Taalmodellen als Claude, Gemini en ChatGPT werden steeds krachtiger, en AI agents kwamen op. Software-ontwikkelaars zagen hun dagelijks werk compleet veranderen, zelfstandigen in de creatieve sector zoals vertalers, fotografen en ontwerpers raken opdrachten kwijt.

Wat staat ons dan te doen? Hoe zorgen we ervoor dat deze revolutie goed is voor mens, maatschappij en natuur? Dat de kosten en baten rechtvaardig worden verdeeld? Er staat te veel op het spel om dit gelaten over ons heen te laten komen. Het vraagt om reflectie in het onderwijs, in bedrijven, in de brede samenleving.